Desarrollo de un modelo basado en inteligencia artificial para estimar la recuperación neurológica del estado de coma tras paro cardíaco

Abstract

[ES] Este proyecto surge como respuesta a un reto internacional "The George B. Moody PhysioNet Challenge", lanzado por el Computing in Cardiology (CinC), en el cual participa el grupo BioITACA. El reto consiste en el desarrollo de un algoritmo que permita la ayuda al diagnóstico de pacientes en coma tras un paro cardíaco y su clasificación en la correspondiente categoría de rendimiento cerebral (CPC: Cerebral Performance Category). Para afrontar el reto y después de explorar el estado del arte en la bibliografía científica, se procedió a desarrollar un nuevo modelo basado en inteligencia artificial en el cual se propone el uso de nuevos parámetros más allá de los empleados en el estado del arte del procesamiento de señales de electroencefalografía, basados en el dominio tiempo-frecuencia, añadiendo la dimensión espacial. Con el fin de lograr este objetivo, se comenzó a desarrollar modelos simples en un ordenador personal, con el fin de evaluar la capacidad de dichos modelos para clasificar según la categoría CPC. Tanto los modelos como los resultados obtenidos, fueron presentados a la primera fase del reto. Vistos los buenos resultados obtenidos, posteriormente se decidió ampliar la complejidad del modelo propuesto, añadiendo los parámetros mencionados anteriormente y ampliando la arquitectura del modelo. Esto nos llevó a la necesidad de disponer de una plataforma de cómputo más potente. Para ello, fue necesario poner en marcha un servidor de computación montado sobre un multiprocesador basado en GPUs que el grupo de investigación aún no tenía en funcionamiento. Por otra parte, debido a las restricciones que impone la normativa de participación en el reto, este trabajo no puede presentar los modelos y los resultados ahí presentados. Por lo que para el mismo, se han desarrollado otros modelos más simples que únicamente permiten diferenciar entre los pacientes que pertenecen a las categorías CPC 1 y 2, frente a las categorías 3,4 y 5, siendo su principal diferencia, la capacidad cognitiva para poder vivir con cierto grado de independencia. El modelo aquí presentado, consiste en una fase convolucional tridimensional cuyo objetivo es comprimir la información espacio-temporal y otra fase basada en redes neuronales densas que puedan analizar la información comprimida en un vector para dar un resultado según la clasificación anterior. Se trata de un modelo de arquitectura simple con buenos resultados clasificando segmentos de señal, lo cual permite su uso, no solo en dichos fragmentos, si no para evaluar la evolución de la clasificación de la señal en el tiempo. Con los resultados obtenidos en los primeros modelos y presentados en la primera fase del reto, se logró superar el primer corte y pasar así a la segunda fase, en la cual se nos ha invitado a presentar los resultados del trabajo desarrollado en una ponencia que se presentará en el CinC celebrado en Atlanta el próximo mes de octubre.

[EN] This project emerged as a response to the international challenge "The George B. Moody PhysioNet Challenge"proposed by Computing in Cardiology (CinC), in which the BioITACA group participates. The challenge involves developing an algorithm that aids in the diagnosis of patients in coma after cardiac arrest and classifying them into the appropriate category of cerebral performance (CPC). To tackle the challenge, extensive research was conducted on the state-of-the-art literature, and a new artificial intelligence-based model was developed. This model proposes the use of new parameters beyond those employed in the state-of-the-art processing of electroencephalography signals, incorporating both time-frequency and spatial dimensions. Initially, simple models were developed on a personal computer to evaluate their ability to classify according to the CPC category. The models and the obtained results were submitted for the first phase of the challenge. Based on the promising results obtained, it was decided to enhance the complexity of the proposed model by incorporating the aforementioned parameters and expanding the model architecture. This necessitated the deployment of a more powerful computing platform. To fulfill this requirement, a server with a multiprocessor based on GPUs was set up, which the research group did not previously have in operation. However, due to participation rules, this work cannot present the models and results from the challenge. Therefore, simpler models were developed specifically for this purpose, which only differentiate between patients belonging to CPC categories 1 and 2 versus categories 3, 4, and 5, with the main distinction being the cognitive ability to live with a certain degree of independence. The model presented here consists of a three-dimensional convolutional phase that compresses the spatiotemporal information and a dense neural network phase that analyzes the compressed information in a vector to provide a result based on the aforementioned classification. It is a simple architecture model with good results in segmenting signal segments, allowing not only the evaluation of such segments but also tracking the evolution of signal classification over time. The results obtained from the initial models presented in the first phase of the challenge surpassed the first cutoff, advancing to the second phase. As part of the second phase, we have been invited to present the results of this work in a conference to be held at CinC in Atlanta next October.